培训
你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn。
俄语开放语音转文本
来源于各种音频源的语音示例集合。 数据集包含简短的俄语音频剪辑。
备注
Microsoft 按“原样”提供 Azure 开放数据集。 Microsoft 对数据集的使用不提供任何担保(明示或暗示)、保证或条件。 在当地法律允许的范围内,Microsoft 对使用数据集而导致的任何损害或损失不承担任何责任,包括直接、必然、特殊、间接、偶发或惩罚性损害或损失。
此数据集是根据 Microsoft 接收源数据的原始条款提供的。 数据集可能包含来自 Microsoft 的数据。
此俄语语音转文本 (STT) 数据集包括:
- 大约 1,600 万条言语
- 大约 20,000 小时
- 2.3 TB(int16 类型的 .wav 非压缩格式),356G opus 格式的数据
- 除验证数据集以外的所有文件均已转换成 opus
数据集的主要目的是训练“语音转文本”模型。
数据集大小是为 .wav 文件指定的。
数据集 | 言语 | 小时 | GB | 秒/字符 | COMMENT | 批注 | 质量/噪音 |
---|---|---|---|---|---|---|---|
无线电_v4 (*) | 7,603,192 | 10,430 | 1,195 | 5 秒 / 68 | 单选 | 对齐 | 95% / 清晰 |
public_speech (*) | 1,700,060 | 2,709 | 301 | 6 秒 / 79 | 公共演讲 | 对齐 | 95% / 清晰 |
有声读物_2 | 1,149,404 | 1,511 | 162 | 5 秒 / 56 | 书籍 | 对齐 | 95% / 清晰 |
radio_2 | 651,645 | 1,439 | 154 | 8 秒 / 110 | 单选 | 对齐 | 95% / 清晰 |
public_youtube1120 | 1,410,979 | 1,104 | 237 | 3 秒 / 34 | Youtube | 对白字幕 | 95% / ~清晰 |
public_youtube700 | 759,483 | 701 | 75 | 3 秒 / 43 | Youtube | 对白字幕 | 95% / ~清晰 |
tts_russian_addresses | 1,741,838 | 754 | 81 | 2 秒 / 20 | 地址 | TTS 4 语音 | 100% / 清晰 |
asr_public_phone_calls_2 | 603,797 | 601 | 66 | 4 秒 / 37 | 电话呼叫 | ASR | 70% / 嘈杂 |
public_youtube1120_hq | 369,245 | 291 | 31 | 3 秒 / 37 | YouTube HQ | 对白字幕 | 95% / ~清晰 |
asr_public_phone_calls_1 | 233,868 | 211 | 23 | 3 秒 / 29 | 电话呼叫 | ASR | 70% / 嘈杂 |
radio_v4_add (*) | 92,679 | 157 | 18 | 6 秒 / 80 | 单选 | 对齐 | 95% / 清晰 |
asr_public_stories_2 | 78,186 | 78 | 9 | 4 秒 / 43 | 书籍 | ASR | 80% / 清晰 |
asr_public_stories_1 | 46,142 | 38 | 4 | 3 秒 / 30 | 书籍 | ASR | 80% / 清晰 |
public_series_1 | 20,243 | 17 | 2 | 3 秒 / 38 | Youtube | 对白字幕 | 95% / ~清晰 |
asr_calls_2_val | 12,950 | 7,7 | 2 | 2 秒 / 34 | 电话呼叫 | 手动批注 | 99% / 清晰 |
public_lecture_1 | 6,803 | 6 | 1 | 3 秒 / 47 | 讲座 | 对白字幕 | 95% / 清晰 |
buriy_audiobooks_2_val | 7,850 | 4,9 | 1 | 2 秒 / 31 | 书籍 | 手动批注 | 99% / 清晰 |
public_youtube700_val | 7,311 | 4,5 | 1 | 2 秒 / 35 | Youtube | 手动批注 | 99% / 清晰 |
(*) 只有一个数据示例是采用 txt 文件提供的。
数据集是使用开放源代码编译的。 使用语音活动检测和比对将长序列分割为音频块。 某些音频类型已自动批注,并通过启发式方法以统计方式进行验证。
数据集的总大小为 350 GB。 带有公共共享标签的数据集的总大小为 130 GB。
数据集本身不太可能更新为后向兼容。 请遵循原始存储库来建立基准并排除文件。
将来可能会添加新的域和语言。
所有文件已规范化,以便更快捷地实现运行时增强。 处理过程如下:
- 必要时转换成 mono;
- 必要时转换为 16-kHz 采样率;
- 存储为 16 位整数;
- 转换为 OPUS;
每个音频文件(wav、二进制)都经过了哈希处理。 哈希用于创建文件夹层次结构以实现更优化的 fs 操作。
target_format = 'wav'
wavb = wav.tobytes()
f_hash = hashlib.sha1(wavb).hexdigest()
store_path = Path(root_folder,
f_hash[0],
f_hash[1:3],
f_hash[3:15] + '.' + target_format)
数据集以两种形式提供:
- 通过 Azure Blob 存储和/或直接链接提供存档;
- 通过 Azure Blob 存储提供原始文件;所有内容都存储在 https://azureopendatastorage.blob.core.windows.net/openstt/ 中
文件夹结构:
└── ru_open_stt_opus <= archived folders
│ │
│ ├── archives
│ │ ├── asr_calls_2_val.tar.gz <= tar.gz archives with opus and wav files
│ │ │ ... <= see the below table for enumeration
│ │ └── tts_russian_addresses_rhvoice_4voices.tar.gz
│ │
│ └── manifests
│ ├── asr_calls_2_val.csv <= csv files with wav_path, text_path, duration (see notebooks)
│ │ ...
│ └── tts_russian_addresses_rhvoice_4voices.csv
│
└── ru_open_stt_opus_unpacked <= a separate folder for each uploaded domain
├── public_youtube1120
│ ├── 0 <= see "On disk DB methodology" for details
│ ├── 1
│ │ ├── 00
│ │ │ ...
│ │ └── ff
│ │ ├── *.opus <= actual files
│ │ └── *.txt
│ │ ...
│ └── f
│
├── public_youtube1120_hq
├── public_youtube700_val
├── asr_calls_2_val
├── radio_2
├── private_buriy_audiobooks_2
├── asr_public_phone_calls_2
├── asr_public_stories_2
├── asr_public_stories_1
├── public_lecture_1
├── asr_public_phone_calls_1
├── public_series_1
└── public_youtube700
数据集 | GB,WAV | GB,存档 | 存档 | 源 | 清单 |
---|---|---|---|---|---|
定型 | |||||
无线电和公共演讲示例 | - | 11.4 | opus+txt | - | manifest |
有声读物_2 | 162 | 25.8 | opus+txt | Internet + 比对 | manifest |
radio_2 | 154 | 24.6 | opus+txt | 单选 | manifest |
public_youtube1120 | 237 | 19.0 | opus+txt | YouTube 视频 | manifest |
asr_public_phone_calls_2 | 66 | 9.4 | opus+txt | Internet + ASR | manifest |
public_youtube1120_hq | 31 | 4.9 | opus+txt | YouTube 视频 | manifest |
asr_public_stories_2 | 9 | 1.4 | opus+txt | Internet + 比对 | manifest |
tts_russian_addresses_rhvoice_4voices | 80.9 | 12.9 | opus+txt | TTS | manifest |
public_youtube700 | 75.0 | 12.2 | opus+txt | YouTube 视频 | manifest |
asr_public_phone_calls_1 | 22.7 | 3.2 | opus+txt | Internet + ASR | manifest |
asr_public_stories_1 | 4.1 | 0.7 | opus+txt | 公共情景 | manifest |
public_series_1 | 1.9 | 0.3 | opus+txt | 公用系列 | manifest |
public_lecture_1 | 0.7 | 0.1 | opus+txt | Internet + 手动任务 | manifest |
Val | |||||
asr_calls_2_val | 2 | 0.8 | wav+txt | Internet | manifest |
buriy_audiobooks_2_val | 1 | 0.5 | wav+txt | 书籍 + 手动任务 | manifest |
public_youtube700_val | 2 | 0.13 | wav+txt | YouTube 视频 + 手动任务 | manifest |
有关如何直接下载数据集的说明,请参阅 GitHub 下载说明页。
有关数据的帮助或问题,请通过 aveysov@gmail.com 联系数据作者
该许可证准许用户仅出于非商业目的,且仅在归属权属于创作者的情况下,以任何媒体或格式分发、组合、改编采用该资料和基于它进行生成。 它包含以下元素:
- BY - 版权必须归属于创作者
- NC - 仅准许出于非商业目的使用该资料
已与数据集作者达成一致,适用 CC-BY-NC,可用于商业用途。
在 Python 中读取 opus 文件且不产生严重开销的有效方法是使用 pysoundfile(围绕 libsoundfile 的 Python CFFI 包装器)。
Opus 支持已在上游实现,但尚未正确发布。 因此,我们选择了自定义生成和猴式修补。
通常,需要在 shell 中使用 sudo 访问权限来运行此命令:
apt-get update
apt-get install cmake autoconf autogen automake build-essential libasound2-dev \
libflac-dev libogg-dev libtool libvorbis-dev libopus-dev pkg-config -y
cd /usr/local/lib
git clone https://github.com/erikd/libsndfile.git
cd libsndfile
git reset --hard 49b7d61
mkdir -p build && cd build
cmake .. -DBUILD_SHARED_LIBS=ON
make && make install
cmake --build .
安装以下库:
pandas
numpy
scipy
tqdm
soundfile
librosa
清单是包含以下列的 csv 文件:
- 音频路径
- 文本文件的路径
- 持续时间
它们已证实为最简单的数据访问格式。
为便于使用,所有清单已重置根目录。 清单中的所有路径都是相对路径,你需要提供根文件夹。
# manifest utils
import os
import numpy as np
import pandas as pd
from tqdm import tqdm
from urllib.request import urlopen
def reroot_manifest(manifest_df,
source_path,
target_path):
if source_path != '':
manifest_df.wav_path = manifest_df.wav_path.apply(lambda x: x.replace(source_path,
target_path))
manifest_df.text_path = manifest_df.text_path.apply(lambda x: x.replace(source_path,
target_path))
else:
manifest_df.wav_path = manifest_df.wav_path.apply(lambda x: os.path.join(target_path, x))
manifest_df.text_path = manifest_df.text_path.apply(lambda x: os.path.join(target_path, x))
return manifest_df
def save_manifest(manifest_df,
path,
domain=False):
if domain:
assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration', 'domain']
else:
assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration']
manifest_df.reset_index(drop=True).sort_values(by='duration',
ascending=True).to_csv(path,
sep=',',
header=False,
index=False)
return True
def read_manifest(manifest_path,
domain=False):
if domain:
return pd.read_csv(manifest_path,
names=['wav_path',
'text_path',
'duration',
'domain'])
else:
return pd.read_csv(manifest_path,
names=['wav_path',
'text_path',
'duration'])
def check_files(manifest_df,
domain=False):
orig_len = len(manifest_df)
if domain:
assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration']
else:
assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration', 'domain']
wav_paths = list(manifest_df.wav_path.values)
text_path = list(manifest_df.text_path.values)
omitted_wavs = []
omitted_txts = []
for wav_path, text_path in zip(wav_paths, text_path):
if not os.path.exists(wav_path):
print('Dropping {}'.format(wav_path))
omitted_wavs.append(wav_path)
if not os.path.exists(text_path):
print('Dropping {}'.format(text_path))
omitted_txts.append(text_path)
manifest_df = manifest_df[~manifest_df.wav_path.isin(omitted_wavs)]
manifest_df = manifest_df[~manifest_df.text_path.isin(omitted_txts)]
final_len = len(manifest_df)
if final_len != orig_len:
print('Removed {} lines'.format(orig_len-final_len))
return manifest_df
def plain_merge_manifests(manifest_paths,
MIN_DURATION=0.1,
MAX_DURATION=100):
manifest_df = pd.concat([read_manifest(_)
for _ in manifest_paths])
manifest_df = check_files(manifest_df)
manifest_df_fit = manifest_df[(manifest_df.duration>=MIN_DURATION) &
(manifest_df.duration<=MAX_DURATION)]
manifest_df_non_fit = manifest_df[(manifest_df.duration<MIN_DURATION) |
(manifest_df.duration>MAX_DURATION)]
print(f'Good hours: {manifest_df_fit.duration.sum() / 3600:.2f}')
print(f'Bad hours: {manifest_df_non_fit.duration.sum() / 3600:.2f}')
return manifest_df_fit
def save_txt_file(wav_path, text):
txt_path = wav_path.replace('.wav','.txt')
with open(txt_path, "w") as text_file:
print(text, file=text_file)
return txt_path
def read_txt_file(text_path):
#with open(text_path, 'r') as file:
response = urlopen(text_path)
file = response.readlines()
for i in range(len(file)):
file[i] = file[i].decode('utf8')
return file
def create_manifest_from_df(df, domain=False):
if domain:
columns = ['wav_path', 'text_path', 'duration', 'domain']
else:
columns = ['wav_path', 'text_path', 'duration']
manifest = df[columns]
return manifest
def create_txt_files(manifest_df):
assert 'text' in manifest_df.columns
assert 'wav_path' in manifest_df.columns
wav_paths, texts = list(manifest_df['wav_path'].values), list(manifest_df['text'].values)
# not using multiprocessing for simplicity
txt_paths = [save_txt_file(*_) for _ in tqdm(zip(wav_paths, texts), total=len(wav_paths))]
manifest_df['text_path'] = txt_paths
return manifest_df
def replace_encoded(text):
text = text.lower()
if '2' in text:
text = list(text)
_text = []
for i,char in enumerate(text):
if char=='2':
try:
_text.extend([_text[-1]])
except:
print(''.join(text))
else:
_text.extend([char])
text = ''.join(_text)
return text
# reading opus files
import os
import soundfile as sf
# Fx for soundfile read/write functions
def fx_seek(self, frames, whence=os.SEEK_SET):
self._check_if_closed()
position = sf._snd.sf_seek(self._file, frames, whence)
return position
def fx_get_format_from_filename(file, mode):
format = ''
file = getattr(file, 'name', file)
try:
format = os.path.splitext(file)[-1][1:]
format = format.decode('utf-8', 'replace')
except Exception:
pass
if format == 'opus':
return 'OGG'
if format.upper() not in sf._formats and 'r' not in mode:
raise TypeError("No format specified and unable to get format from "
"file extension: {0!r}".format(file))
return format
#sf._snd = sf._ffi.dlopen('/usr/local/lib/libsndfile/build/libsndfile.so.1.0.29')
sf._subtypes['OPUS'] = 0x0064
sf.SoundFile.seek = fx_seek
sf._get_format_from_filename = fx_get_format_from_filename
def read(file, **kwargs):
return sf.read(file, **kwargs)
def write(file, data, samplerate, **kwargs):
return sf.write(file, data, samplerate, **kwargs)
# display utils
import gc
from IPython.display import HTML, Audio, display_html
pd.set_option('display.max_colwidth', 3000)
#Prepend_path is set to read directly from Azure. To read from local replace below string with path to the downloaded dataset files
prepend_path = 'https://azureopendatastorage.blob.core.windows.net/openstt/ru_open_stt_opus_unpacked/'
def audio_player(audio_path):
return '<audio preload="none" controls="controls"><source src="{}" type="audio/wav"></audio>'.format(audio_path)
def display_manifest(manifest_df):
display_df = manifest_df
display_df['wav'] = [audio_player(prepend_path+path) for path in display_df.wav_path]
display_df['txt'] = [read_txt_file(prepend_path+path) for path in tqdm(display_df.text_path)]
audio_style = '<style>audio {height:44px;border:0;padding:0 20px 0px;margin:-10px -20px -20px;}</style>'
display_df = display_df[['wav','txt', 'duration']]
display(HTML(audio_style + display_df.to_html(escape=False)))
del display_df
gc.collect()
大多数平台浏览器支持本机音频播放。 因此我们可以使用 HTML5 音频播放器查看数据。
manifest_df = read_manifest(prepend_path +'/manifests/public_series_1.csv')
#manifest_df = reroot_manifest(manifest_df,
#source_path='',
#target_path='../../../../../nvme/stt/data/ru_open_stt/')
sample = manifest_df.sample(n=20)
display_manifest(sample)
!ls ru_open_stt_opus/manifests/*.csv
演示如何以最佳方式读取 wav 和 opus 文件的一些示例。
Scipy 是读取 wav 文件的最快工具。 总体而言,Pysoundfile 是读取 opus 文件的最佳工具。
%matplotlib inline
import librosa
from scipy.io import wavfile
from librosa import display as ldisplay
from matplotlib import pyplot as plt
manifest_df = read_manifest(prepend_path +'manifests/asr_calls_2_val.csv')
#manifest_df = reroot_manifest(manifest_df,
#source_path='',
#target_path='../../../../../nvme/stt/data/ru_open_stt/')
sample = manifest_df.sample(n=5)
display_manifest(sample)
from io import BytesIO
wav_path = sample.iloc[0].wav_path
response = urlopen(prepend_path+wav_path)
data = response.read()
sr, wav = wavfile.read(BytesIO(data))
wav.astype('float32')
absmax = np.max(np.abs(wav))
wav = wav / absmax
# shortest way to plot a spectrogram
D = librosa.amplitude_to_db(np.abs(librosa.stft(wav)), ref=np.max)
plt.figure(figsize=(12, 6))
ldisplay.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('Log-frequency power spectrogram')
# shortest way to plot an envelope
plt.figure(figsize=(12, 6))
ldisplay.waveplot(wav, sr=sr, max_points=50000.0, x_axis='time', offset=0.0, max_sr=1000, ax=None)
manifest_df = read_manifest(prepend_path +'manifests/asr_public_phone_calls_2.csv')
#manifest_df = reroot_manifest(manifest_df,
#source_path='',
#target_path='../../../../../nvme/stt/data/ru_open_stt/')
sample = manifest_df.sample(n=5)
display_manifest(sample)
opus_path = sample.iloc[0].wav_path
response = urlopen(prepend_path+opus_path)
data = response.read()
wav, sr = sf.read(BytesIO(data))
wav.astype('float32')
absmax = np.max(np.abs(wav))
wav = wav / absmax
# shortest way to plot a spectrogram
D = librosa.amplitude_to_db(np.abs(librosa.stft(wav)), ref=np.max)
plt.figure(figsize=(12, 6))
ldisplay.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('Log-frequency power spectrogram')
# shortest way to plot an envelope
plt.figure(figsize=(12, 6))
ldisplay.waveplot(wav, sr=sr, max_points=50000.0, x_axis='time', offset=0.0, max_sr=1000, ax=None)
查看开放数据集目录中的其余数据集。